3 .5Phương pháp xử lý số liệu
3.5 .3Phương pháp phân tích
3.5.3.3 Phân tích nhân tố khám phá ( EFA)
Phân tích nhân tố là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp nhóm biến. Khi phân tích nhân tố khám phá, các nhà nghiên cứu thƣờng quan tâm đến một số tiêu chí sau:
Hệ số KMO ( Kaiser-Meyer-Olkin): Là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Giá trị của KMO phải nằm trong khoảng 0.5 ≤ KMO ≤ 1 là điều kiện đủ để phân tích nhân tố thích hợp, ngược lại giá trị nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Kiểm định Bartlett ( Bartlett’s test of sphericity): Dùng để xem xét ma trận tương quan có phải ma trận đơn vị, là ma trận có các thành phần ( hệ số tương quan giữa các biến bằng không và đường chéo ( hệ số tƣơng quan với chính nó) bằng. Nếu kiểm định Bartlett có Sig < 0.05, chúng ta từ chối giả thuyết Ho ( ma trận tương quan là ma trận đơn vị) nghĩa là các biến quan sát có tương quan với nhau trong tổng thể.
Hệ số tải nhân tố (Factor loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA
Factor loading > 0.3: Đạt mức tối thiểu. Factor loading > 0.4: Xem là quan trọng.
Factor loading > 0.5: Xem là có ý nghĩa thực tiễn.
Tổng phương sai trích (Total Variance Explained): Tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lƣờng. Tổng này phải đạt từ 50% trở lên và tiêu chí Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi
nhân tố) tối thiểu phải bằng 1 thì nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt nhất. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)